Convolutional Neural Network Improvement for Breast Cancer Classification

这篇论文自己还不是特别理解，仅记录自己的看法。

参考链接：https://blog.csdn.net/weixin_42402739/article/details/101449921

1.首先，作者提出了一些现有的问题：

太繁琐的注释会对标签造成额外的错误

病灶边缘不清晰

CAD受到图像成像协议和噪声影响

标注成本高

结合以上问题和目前的乳腺癌诊断需求，作者提出了称为卷积神经网络的乳腺癌分类改进算法（CNNI-BCC），以帮助医学专家及时通过X线摄影诊断乳腺癌。 CNNI-BCC使用卷积神经网络来改善乳腺癌病变分类，以帮助专家诊断乳腺癌。达到的敏感性，准确性，AUC和特异性分别为89.47％，90.50％，0.901±0.0314和90.71％。

2.主要贡献有：

提出分类效果很好的神经网络；

Interactive detection based lesion locator (IDBLL)，也就是建议通过设计的基于交互检测的病变定位器（IDBLL）检测病变。

3.论文方法的优点有：

（1）将图像分解为补丁；

（2）基于补丁的方法允许通过遮盖某些区域来处理图像中的非矩形区域，而只需从集合中排除补丁即可；

（3）组合的预训练的CNN可以对小数据集进行训练；

（4）提出的CNNI-BCC利用补丁特征相关性来检测和分类病变区域和类别。

4.方法

(a) feature wise pre-processing (FWP), 这一部分指的是数据预处理，作者对图像进行了patch划分和旋转，因此每张图像会产生8个patch，完整图像是1024*1024，patch是128*128；

(b) convolutional neural network (CNN) -based classification (CNNBS)；在卷积的过程中，作者用到了depth separable convolution，分为：depth wise卷积和point wise卷积。DW完成后feature map数量等于通道数，单独对每个通道卷积没有很好利用不同通道上的相同空间的feature，所以PW来组合生成新的特征。

 (c) interactive detection based lesion locator (IDBLL). 作者采用默认边界框与注释匹配，以在区域中给出正值。 因此，背景和非相关区域被给予负强度值。这样可以区分乳腺区域和背景。